авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 6 | 7 || 9 |

«МИНОБРНАУКИ РОССИИ Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Ухтинский государственный технический ...»

-- [ Страница 8 ] --

Источником давления (нагнетательной скважиной) является 1, тогда как скважина является приемной. Область S в пространстве X Y разбивается сеткой N M, и интервал между точками равен x и y соответственно. Переходим к дискретной сети, направив ось индекса i вправо (движение по горизонтали от нагнетательной к приемной скважине), ось индекса j вниз (движение по вертикали от нагнетательной к приемной скважине). Тогда любой дискретный набор точек - узел сети = ( i, j ) будет задаваться парой индексов ( i, j ), что соответствует координатам точки на плоскости = { x, y}.

Начальная пара индексов (1, n ) характеризует начальную точку r0 = (1, n ). Конечная точка r = ( N, m ) (рисунок 1).

Рисунок 1. Нагнетательная и приемная скважины в неоднородной среде.

Пусть оптимальная последовательность, начатая из точки ( i, j ) и завершенная в последующей точке сети, обозначается ( i, j ) = В соответствии с принципом динамического.

программирования результат расчета начинается с конечной точки r = ( N, m ).

Шаг 1. Рассчитывается M значений:

Рисунок 2. Расчет времени перехода с учетом эффективного параметра среды.

Шаг 2. Для каждого значения рассчитываются новые значения L:

Шаг 3. Для каждого значения в соответствии с принципом Беллмана:

Рисунок 3. Расчет кратчайших траекторий перехода согласно принципу Беллмана.

Шаг 4. Если перейти к 2. В противном случае:

Шаг 5. Рассчитываем M значений J ({1, n}, {(2, j} ) + ( 2, j ).

J (1, j) Находим минимальное по j значение, соответствующее значению индекса j.

Величина интервального времени распространения возмущения между точками (1, n ) и ( N, m ) равна J ({1, n}, {(2, j} ) + ( 2, j) = J (1, j). (2) Оптимальная траектория, соединяющая (1, n ) и ( N, m ) есть:

({1, n}, {2, j} ) + ( 2, j) (3) Данный алгоритм расчета был реализован в виде динамической библиотеки на языке C#, также была создана тестовая программа для проведения экспериментов на регулярной сеточной модели распределения скоростей движения флюида в среде. Для апробации созданного алгоритма расчета оптимальной траектории и времени движения флюида на основе принципа Беллмана были проведены следующие эксперименты:

Эксперимент 1. Расчет интервального времени движения особых точек динамики восстановления давлений между двумя скважинами (рисунок 4).

Нагнетательной является скважина с номером 0 на схеме, а скважина 1 является приемной. Темные клетки соответствуют зонам с низкой проницаемостью и, соответственно, низкой скоростью движения флюида, а светло-зеленые — зонам с высокой проницаемостью.

Как можно видеть, оптимальная траектория движения особой точки огибает участок с низкой проницаемостью.

Рисунок 4. Расчитанная оптимальная траектория движения особых точек динамики восстановления давлений между двумя скважинами Рисунок 5. Набор оптимальных траектория движения особых точек динамики восстановления давлений и соответствующие времена прихода Эксперимент 2. Расчет интервального времени движения особых точек динамики восстановления давлений для густой сети скважин (рисунок 5).

Нагнетательной является скважина 49, все остальные скважины являются приемными.

Траектории движения особых точек соответствуют нашим представлениям: они по возможности проходят через области с наибольшей проницаемостью. Расчет траекторий по принципу Беллмана происходит достаточно быстро (по сравнению с расчетом распространения фронта давления с использованием принципа Гюйгенса-Френеля).

Эксперимент 3. Построение изолиний интервальных времен движения особых точек динамики восстановления давлений.

Рисунок 6. Изохроны движения особых точек динамики восстановления давлений Источником давления снова является нагнетательная скважина 49. Для того, чтобы построить изохроны движения особых точек, были рассчитано поле времен движения этих особых точек (время движения точки перегиба до центра каждой ячейки модели). Как можно видеть на рисунке 6, движение фронта восстановления давления замедляется в зонах с низкой проницаемостью и, соответственно, низкой скоростью движения флюида. При этом происходит «искривление» фронта, форма которого зависит от формы неоднородности в среде и заданного параметра скорости.

Вывод. Реализованный алгоритм решения задачи нахождения интервального времени через поиск оптимальной траектории на основе принципа оптимальности Беллмана для задачи гидродинамики работоспособен и позволяет рассчитывать оптимальные траектории движения особых точек динамики восстановления давлений. Итогом работы метода служит поле времен движения этих характерных точек. Дальнейшее развитие направления состоит в создании технологии томографического исследования пласта на основе веерных измерений интервального времени прохождения точек перегиба на зависимости восстановления давлений.

Библиографический список:

1. Бузинов С. Н. Гидродинамические методы исследования скважин и пластов / С. Н. Бузинов, И. Д. Умрихин. – М.,1973.

2. R. Bellman: On a Routing Problem // Quarterly of Applied Mathematics. 1958. Vol 16, No. 1. C.

87-90, 1958.

УДК 550.832. Применение принципов системного анализа при решении задач автоматизированного контроля качества записи материалов геофизических исследований скважин Куделин А. Г.

«Ухтинский государственный технический университет», г. Ухта Всегда актуальной задачей в геофизике является повышение качества и достоверности результатов построения геолого-геофизических моделей сред по данным геофизических исследований. Иными словами – повышение качества результатов интерпретации данных геофизических исследований.

Проблема достоверности прогнозирования имеет много аспектов, однако, совершенно однозначно, можно утверждать следующее: «Достоверный прогноз не может быть построен на недостоверных данных».

Относительно геофизических исследований скважин (далее - ГИС) проблема оценки качества результатов исследований заключается, прежде всего, в том, что качество исходного полевого материала проверяется на этапе интерпретации. То есть по истечению некоторого времени после проведенного исследования. При выявлении «брака» материала, требуется повторное проведение исследований, что связано с весьма значительными финансовыми расходами. Таким образом, существует проблема «ранней» оценки качества зарегистрированного материала ГИС, то есть оценки качества в процессе записи и непосредственно после окончания записи.

На сегодняшний день такая оценка проводится визуально оператором, что требует от оператора значительных познаний в теории геофизических методов исследования скважин, навыков интерпретации ГИС, а так же большого опыта работы. Большинство операторов, по тем или иным причин, либо не обладают требуемой квалификацией, либо просто не имеют возможности оценить качество в следствии большого объёма проводимых исследований, сложных условий исследования, сложных и незнакомых разрезов и т. д.

Всё вышеперечисленное обуславливает актуальность разработки теории и создания методик и технологий автоматизированного контроля качества материалов ГИС.

Данная работа посвящена анализу задачи автоматизированного контроля качества материалов ГИС с точки зрения системного анализа применительно к теории принятия решений.

Основными этапами контроля качества записи материалов ГИС являются:

1. Контроль в процессе записи конкретного метода исследования (текущий контроль);

2. Контроль по окончанию записи конкретного метода исследования (окончательный контроль);

3. Контроль по завершению записи всех намеченных методов исследования (интегральный контроль).

Задачу автоматизированного контроля качества материалов ГИС целесообразно рассматривать как автоматизированную систему поддержки принятия решений относительно качества данных ГИС.

Согласно процедуре принятия решений выделяются следующие этапы:

- формулировка проблемной ситуации;

- определение целей;

- определение критериев достижения целей;

- построение моделей для обоснования решений;

- поиск оптимального (допустимого) варианта решения;

- согласование решения;

- подготовка решения к реализации;

- утверждение решения;

- управление ходом реализации решения;

- проверка эффективности решения.

Проблемная ситуация на всех этапах контроля заключается в следующих несоответствиях:

1. Бессмысленные с геолого-геофизической точки зрения значения показаний приборов. Сюда можно отнести такие виды брака как срывы, выбросы, затяжки, ошибки АЦП, утечки в кабеле и т. д.

2. Противоречивые показания приборов. Сюда можно отнести расхождения в показаниях разных методов исследования, либо при разных условиях записи одного метода.

Например, показания электрических методов на постоянном и переменном токе, либо несоответствие показаний разных зондов при исследовании на постоянном токе.

3. Несоответствие показаний приборов априорной информации, имеющейся об объекте исследований. Например, отсутствие артефактов на записи электромагнитных методов при прохождении интервалов перфорации колонны.

Целью автоматизированного контроля качества является выявление вышеуказанных проблемных ситуаций и привлечение внимания оператора к этим ситуациям. Поставленная цель не исключает возможность применения данных подходов и на более поздних этапах обработки данных ГИС.

Цель может считаться достигнутой, если с некоторой наперёд заданной вероятность будут обнаруживаться приведённые выше проблемные ситуации в процессе записи данных ГИС, а так же непосредственно по завершению исследования, либо комплекса исследований.

При построении моделей обоснования решений следует сформулировать в общем виде зависимость показаний исследования от параметров исследуемой среды.

Gij ( z ) = Fi { ij ( x, y, z )} (1) Где: Gij (z ) – исследование j-той модели среды i-ым методом;

Fi – оператор решения прямой раздачи i-го метода;

ij ( x, y, z ) – распределение j-того параметра i-той среды.

В случае исследования одного параметра одной среды разными методами взаимосвязь между показаниями приборов примет следующий вид:

Fi { ( x, y, z )} Gi ( z ) = G j ( z ) (2) F j { ( x, y, z )} Где: Gi (z ) – исследование среды i-ым методом;

G j (z ) – исследование среды j-ым методом;

Fi – оператор решения прямой раздачи i-го метода;

F j – оператор решения прямой раздачи j-го метода;

( x, y, z ) – распределение искомого параметра среды.

Таким образом, ключевым для решения задачи автоматизированного контроля данных становится аппроксимация следующего выражения:

Fi { ( x, y, z )} (3).

Fj { ( x, y, z )} Предполагая, что операторы прямой задачи сложны для вычисления, либо неизвестны, исходными данными для аппроксимации данной зависимости являются зарегистрированные показания.

Для решения данной задачи воспользуемся алгоритмами итерационного моделирования неполных данных, приведёнными в работе А. А. Россиева «итерационного моделирования неполных данных с помощью многообразий малой размерности». При этом в качестве оценки достоверности данных будем оценивать среднеквадратичное отклонение фрагмента данных конкретного метода от смоделированного по совокупности методов фрагмента данных этого же метода.

Следует отметить, что такой подход предполагает, что некорректными являются только некоторые фрагменты данных, которые нам необходимо выделить.

В случае исследования одного параметра разных сред одним методом о взаимосвязи показаний приборов говорить не приходится, и в этом случае для решения задачи автоматизированного контроля данных требуется принять утверждение, что «похожие»

объекты разных сред создают «похожие» изображения этих объектов в терминах исследования. В качестве решения подобной задачи можно рассмотреть алгоритмы оценки исследования по критериям максимальной похожести фрагментов конкретного исследования и некоторого набора эталонных исследований. В качестве критериев схожести могут выступать критерии минимального среднеквадратического отклонения, максимальной взаимной корреляции и их совокупность.

Оптимальное комплексное решение задачи автоматизированного контроля данных в данном случае заключается в следующем:

Формирование эталонных примеров зарегистрированных данных для разных видов исследования и характерных для исследуемой структуры среды. Например, для месторождений данного региона.

При исследовании каждым конкретным методом оценка качества каждого метода по эталонным примерам с применением критериев схожести.

Оценка непротиворечивости данных по группам методов, исследующих взаимозависимые характеристики среды с применением алгоритмов моделирования неполных данных.

Совокупная оценка достоверности исследования.

Первый пункт данного решения позволяет внести неявную экспертную оценку специалистов в процесс автоматизированного контроля данных.

Реализация подобного подхода к решению задачи автоматизированного контроля качества записи материалов геофизических исследований скважин позволит в значительной мере снизить вероятность получения недостоверных результатов ГИС.

Дальнейшее развитие предложенных подходов с включением моделей сред в качестве контролируемых данных позволит строить новые интерпретационные схемы в скважинной геофизике.

УДК 537.622:519. Численное моделирование очистки пластовых вод нефтяных месторождений с использованием магнитных жидкостей Лютоев А. А., Смирнов Ю. Г.

«Ухтинский государственный технический университет», г. Ухта Известна методика сбора нефтепродуктов с поверхности воды посредством их омагничивания [1, 3, 4]. Для очистки вод от нефтяных загрязнений используют силовое взаимодействие магнитной жидкости и неоднородного магнитно поля. В загрязненную нефтепродуктами воду добавляют разбавленную магнитную жидкость в мелкодисперсном виде. После интенсивного перемешивания капельки нефтяной эмульсии становятся слабомагнитными [1]. В дальнейшем эти капли можно извлекать с использованием высокоградиентного магнитного поля. В работе [3] была предпринята попытка использования магнитной жидкости для выделения углеводородов из нефтешлама. По результатам проведенного опыта был сделан вывод, что извлечение нефтепродуктов по предлагаемой технологии протекает достаточно эффективно.

Для омагничивания нефтепродуктов использовались различные порошки ферромагнитных материалов, что отражено в ряде патентов. Во всех попытках создать методику, мало где описывается, что представляют собой извлеченные суспензии. Если ферромагнитные частицы имеют достаточно крупные размеры (единицы-десятки микрон), то эти частицы оказываются практически непригодными для повторного использования.

Остаточное магнитное поле приводит к слипанию частиц. При этом для их извлечения требуется дополнительная обработка, например, обжиг. Магнитная жидкость решает эту проблему, так как наночастицы оксидов железа, входящие в ее состав, обладают суперпарамагнитными свойствами. Можно предположить, что использование магнитных жидкостей вместо порошков облегчит процесс омагничивания нефтепродуктов. Устойчивый коллоидный раствор быстро и равномерно растворяется в слое нефтепродуктов, исключая потери ферромагнитного материала.

Для того чтобы определить возможность такого подхода, необходимо дать оценку намагниченности магнитной жидкости. Будем считать, что сферические магнитные наночастицы оксида железа диаметром dm покрыты монослоем олеиновой кислоты толщиной и находятся в несущей жидкости (керосине). Для эффективного извлечения нефтяных эмульсий из воды важно рассчитать объемную долю магнитного материала в магнитной жидкости и его намагниченность.

Рисунок 1 Схематическое изображение наночастицы.

Объем сферической магнитной наночастицы:

. (1) Объем сферической наночастицы покрытой слоем адсорбента:

. (2) Таким образом объемная доля магнетита внутри частицы будет равна:

(3) Учитывая объемную долю магнетита и объемного содержания несущей жидкости можно определить намагниченность магнитной жидкости:

, (4) где MS=4.78·10 A/м – намагниченность насыщения магнетита, r – объемная концентрация частиц в жидкости. Наибольшая объемная концентрация частиц магнетита в магнитной жидкости r=0,54 [1]. Следовательно, максимальная намагниченность магнитной жидкости получаемой с такими параметрами Мmax100 кА/м.

При диспергировании магнитной жидкости путем впрыскивания и активного смешивания с нефтяной эмульсией происходит омагничивание эмульсионных капель.

Рассмотрим процесс извлечения омагниченной нефтяной эмульсии из воды. Предположим, что эмульсионные капли, которые имеют сферическую форму, находятся в неоднородном магнитном поле напряженностью Н. Тогда сила, действующая на намагниченную каплю эмульсии определяется формулой [2]:

, (5) где V – объем эмульсии, B= µ0 H – магнитная индукция.

При движении капли магнитной жидкости диаметром dэм в воде под действием магнитной силы появляется противодействующая сила вязкого трения. С увеличением скорости капли эта сила также увеличивается и описывается законом Стокса:

, (6) где - коэффициент вязкости жидкости. Для воды = 0.89·10-3 Па·с.

Из условия равенства этих сил можем определить скорость движения эмульсионных капель:

, (7) где =|grad | – градиент вектора индукции магнитного поля.

Для очистки воды от нефтяных эмульсий планируется использование постоянных магнитов. Были выполнены измерения зависимости величины магнитной индукции от расстояния от неодимовых магнитов размерами 25мм 25мм 25мм. Результаты измерений представлены в таблице.

Расстояние до полюса магнита, Z (м)*10-2 0 0,2 0,4 0,6 0,8 1 1,2 1,4 1, B (Тл) 0,54 0,44 0,34 0,28 0,22 0,18 0,14 0,11 0, Оказалось, что полученные табличные значения хорошо аппроксимируются экспоненциальной зависимостью, поэтому выбираем эмпирическую формулу в виде функции, где А, k – неизвестные параметры, которые можно найти методом наименьших квадратов. Логарифмируя это равенство, будем иметь Для вычисления неизвестных коэффициентов составляем систему нормальных уравнений следующего вида:

Расчеты коэффициентов показательной функции, выполненные в пакете Matlab с использованием приложения cftool, дали следующие результаты: А=0,5438 с доверительным интервалом (0.5334, 0.5542) и k=113.3 с доверительным интервалом(117.2, 109.3). Расчеты проведены с доверительной вероятностью 95 %. Таким образом,. (8) Формулы (7) и (8) позволяют определить скорость смещения эмульсионных капель в каждой точке на расстоянии z от полюса магнита:

Рисунок 2. Аппроксимация функции индукции магнитного поля.

Рассмотрим процесс извлечения из воды разбавленной магнитной жидкости намагниченностью 8 кА/м. Магнитную жидкость с таким параметром намагниченности предложено использовать в работе [1]. Ее разбавляют в воде в отношении с нефтяными загрязнениями примерно 1:1. После чего намагниченность капель нефти снижается до кА/м.

В другой работе [4] эксперименты проводились с омагниченной нефтью намагниченностью 1 - 1,5 кА/м. Даже такая относительно невысокая намагниченность позволяет собрать нефтепродукты с неподвижной водной поверхности, так как суммарный магнитный момент будет достаточно большим из-за образования крупных глобул.

Моделирование скорости экстракции выполнялось для Мэм=4 кА/м и размеров эмульсионных капель 5 мкм, 15 мкм и 25 мкм.

Рисунок 3. Зависимость скорости экстракции от расстояния.

Моделирование показало, что скорость экстракции зависит от размеров эмульсионных капель и от градиента магнитного поля в данной точке. Из рис. 3 видно, что скорость у более крупной капли увеличивается намного стремительнее при приближении к полюсу магнита, чем у мелкой.

Видно, что при увеличении расстояния от полюсов магнита происходит очень быстрое уменьшение скорости смещения которая пропорциональна градиенту магнитного поля. На расстоянии более 3 см градиент напряженности магнитного поля неодимовых магнитов, на основе которых были получены численные расчеты, становится очень низким.

Поэтому, на наш взгляд, чтобы увеличить эффективность экстракции эмульсий, требуется использование узких каналов.

Численные оценки скорости экстракции свидетельствуют о реальной возможности использования предлагаемого метода для очистки загрязненных нефтью пластовых вод.

Исследование выполнено при поддержке гранта Министерства образования и науки Российской Федерации, соглашение 14.132.21.1813.

Библиографический список 1. Фертман В. Е. Магнитные жидкости: Справочное пособие / В. Е. Фертман – Минск:

Высшая школа, 1988. – С. 184.

2. Розенцверг Р. Е. Феррогидродинамика / Р. Е. Розенцверг. – Пер. с англ. – М.: Мир, 1989. 356 с.

3. Контарев А. В. Применение магнитных жидкостей / А. В. Контарев, С. В. Стадник, В. А. Лешуков // Успехи современного естествознания: Материалы конференций, 2006. – №10. – С. 67-67.

4. Макаров В. М. Исследование магнитных жидкостей, предназначенных для очистки воды от нефтепродуктов / В. М. Макаров, Н. А. Морозов, Ю. И. Содомский, С. З. Калаева // Вестник ИГЭУ, 2007. – № 3 – С. 1-4.

УДК 550. Технологии обработки и инверсии потенциальных полей Мотрюк Е. Н., Вельтистова О. М.

«Ухтинский государственный технический университет», г. Ухта На современном этапе развития геофизики и геологии невозможно обойтись без применения современных компьютерных технологий. Они нужны не только для облегчения проводимых вычислений, визуализаций полученных результатов, созданий баз данных, но и реализации сложных алгоритмов обработки и интерпретации геолого-геофизических данных.

Проведение прогноза нефтегазоносности исследуемой территории состоит из изучения и обработки геолого-геофизических характеристик, построения моделей эффективных распределенных параметров, интерпретации полученных результатов с применением современных технологий. В связи с необходимостью увеличения запасов нефти и газа;

повышения эффективности работ, связанных с разработкой месторождений полезных ископаемых, возникают особые требования к достоверности выполняемых построений. Это влечет за собой повышение точности измерительной аппаратуры, усовершенствование имеющихся и создание новых методов и программных продуктов интерпретации потенциальных полей.

Анализ применяемых для интерпретации потенциальных полей методов и методик позволяет выделить несколько направлений, одно из них включает обработку геофизических данных и различные преобразования поля, другое – построение физико-геологических моделей сред, основанное на решении обратных задач.

Обработка геофизических данных и различные виды преобразования поля. К данному направлению относятся методы, включающие фильтрацию, способы аналитического продолжения, метод особых точек (В. Н. Страхов, Г. Я. Голиздра, А. В. Цирульский, Г. М.

Воскобойников, В. М. Березкин и др.), анализ спектрального разложения полей, корреляционно-регрессионный и факторный анализ (К. В. Гладкий, Ф. М. Гольцман, В. И. Шрайбман, М. С. Жданов, О. В. Витвицкий, С. А. Серкеров, А. А. Никитин и др.), вейвлет-анализ поля (А. С. Долгаль). Проведение таких работ позволяет охарактеризовать вид аномалии ее особенности, глубину залегания амалеобразующего тела. Однако они не учитывают другой априорной информации (кроме поля), и полученные результаты не проверяются на соответствие наблюденному полю.

Построение физико-геологических моделей сред, основанное на решении обратных задач с применением методов подбора (В. И. Старостенко, В. Н. Страхов, В. М. Новоселицкий и др.), методов аналитического решения (В. Н. Страхов, А. И. Кобрунов, Е. Г. Булах, Ю. И. Блох и др.), спектральном анализе в решении обратных задач (Л. Т. Бережная, М. А.

Телепин, О. И. Журавлева и др.), использовании методов регуляризации для решения неустойчивых обратных задач (В. И. Старостенко, С. М. Оганесян), теории вероятностей, математической статистики (В. Н. Глазнев, Ф. М. Гольцман, Т. Б. Калинина и др.), нейронных сетей и генетических алгоритмов (И. И. Приезжев) и других разделов прикладной математики. В зависимости от поставленных геологических задач, наличия априорной информации используются различные способы получения результатов и выполнения адекватных реальной среде построений.

Для обработки и инверсии гравимагнитных полей существуют различные компьютерные технологии, позволяющие решать широкий круг задач, направленных на получение полезных сведений о строении недр. Наиболее распространенными, основанными на различных способах и методах решения геологических задач и применяемыми на практике, являются отечественные программные комплексы: КОСКАД 3D, СИГМА 3D, VECTOR, GCIS.

Компьютерная технология статистического и спектрально-корреляционного анализа данных КОСКАД 3D (А. А. Никитин, А. В. Петров, А. С. Алексашин) служит для обработки и интерпретации геолого-геофизической информации на основе статистических, градиентных, спектрально-корреляционных характеристик геофизических полей, методах линейной оптимальной фильтрации, алгоритмах классификации, распознавания [1].

Программный пакет СИГМА 3D (П. С. Бабаянц, Ю. И Блох, А. А. Трусов) предназначен для содержательной интерпретации гравимагнитных данных при решении задач геологического картирования, поисков месторождений углеводородов и твердых полезных ископаемых [2]. Программы основаны на определении координат особых точек функций, описывающих магнитные и гравитационные аномалии, по амплитудному спектру, вычисляемому в скользящем окне;

вычислению трансформант потенциальных полей;

геологическом редуцировании и т. д.

В созданной под руководством В. М. Новоселицкого (Горный институт УрО РАН) системе VECTOR реализован метод трансформации и инверсии потенциальных полей, основанный на трансформациях векторов полного горизонтального градиента. Векторная трансформация и сканирование поля векторов с процедурой их последующего интегрирования (восстановления поля) позволяют провести детальное разделение источников аномалий в плане и по глубине с привязкой каждого источника к шкале эффективных глубин [3]. В системе VECTOR предусматривается решение прямой задачи гравиразведки в рамках принципа контактных поверхностей, а также решение трехмерной нелинейной обратной задачи гравиметрии монтажным методом.

Автоматизированная система GCIS (Geophysical Complex Interpretation System – система интегрированной интерпретации геофизических данных, А. И. Кобрунов, А. П. Петровский и др. Россия, Украина) представляет собой совокупность программно интерпретационных процедур, направленных на решение задач нефтегазовой геологии посредством максимального привлечения геолого-геофизических методов (сейсморазведка, гравиразведка, ГИС) [4]. С помощью системы GCIS реализуется следующее: построение 2D и 3D интегрированных моделей геологических объектов;

уточнение структурно тектонического строения геолого-геофизического разреза в условиях низкой информативности данных сейсморазведки;

выявление локальных плотностных неоднородностей модели среды для изучения перспективных зон нефтегазонакопления и прогнозирования крупных залежей углеводородов;

согласование сейсмогравитационных моделей локальных геологических структур. Решение структурной и плотностной обратных задач гравиметрии в происходит на основе критериального подхода. Наряду с этим осуществляется учет регионального фона с учетом влияния боковых зон. Обратная задача сейсморазведки решается с использованием способа средних скоростей.

В области создания моделей сложнопостроенных сред успешно работают сотрудники и студенты нашего ВУЗа. В лаборатории математического моделирования и системного анализа в науках о Земле УГТУ под руководством доктора ф.-м. н. профессора А. И. Кобрунова разработана методика сейсмогравитационного моделирования. Ее технологической основой являются следующие программные продукты:

- редактор геолого-геофизических моделей среды GeoVIP (А. И. Кобрунов, С. Г. Куделин, М. И. Барабанов), предназначенный для интерпретации результатов геофизических исследований, построения моделей среды на основе оптимальных решений обратной задачи;

- программный модуль PlayGround – для построения нулевого приближения двумерных структурно-плотностных моделей;

EvDynInversion – для решения обратных двумерных задач гравиразведки на основе объединенного критериального и эволюционно-динамического принципа оптимальности.

GeoVIP представляет собой набор функциональных модулей, объединенных на уровне базы данных и общей программной оболочки: структурно-плотностное моделирование (с интерполяцией структурных границ и распределения параметра, процедурой согласования данных, геодинамического моделирования), моделирование электромагнитных параметров, базовый модуль (2D, 3D визуализация, загрузка данных, документация, доступ к другим модулям), скважинное, геодинамическое, сейсмическое моделирование [5].

Модуль PlayGround [5] используется для построения нулевого приближения двумерных структурно-плотностных моделей по графическому представлению результатов различных исследований. Содержит экспресс-конструктор структурной и плотностной моделей с аппроксимацией плотностных неоднородностей набором элементарных тел.

Предусматривает решение прямой задачи гравиразведки, оценку невязки вычисленного и наблюдённого гравитационного эффекта, экспорт результатов обработки.

Программный модуль EvDynInversion предусматривает решение обратных двумерных задач гравиразведки на основе объединенного критериального и эволюционно динамического принципа оптимальности [5]. Обратные задачи с применением уравнений движения материи в качестве составляющей критерия оптимальности включают задачи, использующие сдвиговые деформации и дивергенции плотностных компонент. Модели, полученные в результате работы модуля, удовлетворяют наблюденным потенциальным полям и соответствуют заложенным в процесс решения геодинамическим характеристикам.

Таким образом, созданные современные методические и программно алгоритмические комплексы обработки, анализа и интерпретации гравимагнитных данных:

- способствуют повышению надежности, достоверности и эффективности проводимых геологоразведочных работ при одновременном снижении стоимости поисково разведочных работ и нагрузки на окружающую среду;

- постоянно совершенствуются с учетом новейших теоретических разработок, развития компьютерной техники и измерительной аппаратуры;

- достаточно универсальны и могут быть использованы для решения различных геологических задач.

Однако в технологиях, связанных обработкой полей полученный результат можно использовать только как один из возможных вариантов для построения начальных моделей сред. В методах инверсии полей тоже существуют проблемы: наличие эквивалентности;

неоднозначность решения;

недостаток априорной информации. Учитывая результаты проведенного анализа, можно сделать вывод, что несмотря на большое количество программных продуктов на данном этапе возникает потребность в создании новой технологии комплексного анализа для изучения геологического строения. Она должна обеспечивать согласованность результатов интерпретации монометодов и быть ориентирована на единую информационную базу, используемую в интерактивном режиме, способная уменьшить эффекты эквивалентности и более полно учитывать имеющиеся геолого-геофизические данные. В лаборатории математического моделирования и системного анализа в науках о Земле УГТУ с учетом этих требований разрабатывается интегрированная среда физико-геологического моделирования, в состав которой входит программный редактор физико-геологических моделей среды GeoVIP, а также программные модули PlayGround и EvDynInversion.

Данные программы были протестированы и в результате применения технологии построены геолого-геофизические модели сложнопостроенных сред Баренцевоморского и Тимано-Печорского регионов, включая территорию Обской губы, Кожвинскую площадь.

Каждая составленная двумерная модель из системы несет в себе информацию о глубинах залегания выделенных границ, плотностных характеристиках, геофизических полях.

Начальные модели формировались при помощи PlayGround с учетом данных гравиразведки и сейсморазведки, а также данных магнитного поля. Их реконструкция происходила в EvDynInversion решением задачи инверсии гравитационного поля с учетом информации о гравитационном поле и геодинамике изучаемого региона. Объемные модели создавались при помощи редактора GeoVIP.

Исследуемая территория Карскоморского бассейна представлена территорией Обской и Тазовской губ. В основании изученной части разреза земной коры залегают отложения фундамента, представленные протерозойскими и палеозойскими вулканитами, туфогенами и осадочными породами (терригенные отложения, известняки и доломиты), строение и стратификация которых изучены слабо. В тектоническом отношении рассматриваемый регион является гетерогенным. Он приурочен к зоне сочленения крупных блоков земной коры, имеющих разное глубинное строение и различную историю геологического развития.

Для данной территории характерны высокая насыщенность дизъюнктивными дислокациями различной глубинности, проникновения в осадочный чехол, погруженный структурный план по опорным горизонтам юры и мела, отсутствие гигантских антиклинальных структур.

Крупным структурам в большинстве случаев отвечают отрицательные аномалии гравитационного поля, а прогибам – положительные. На поднятиях мелких порядков, при более или менее постоянном составе пород доюрского основания отмечается прямая связь сводов антиклинальных структур с положительными гравитационными аномалиями, осложняющая общую отрицательную зависимость между абсолютными отметками структурных форм и напряженностью гравитационного поля. На территории, окружающей Обскую и Тазовскую губы, установлена довольно тесная связь антиклинальных структур с отрицательными аномалиями гравитационного и магнитного полей, которая нарушается только на отдельных, локальных участках.

В результате двумерного моделирования акватории Обской губы:

- построены согласованные геолого-плотностные модели геологического строения (с выделением четырех нефтегазоносных комплексов: ачимовского, неокомского, аптского, альб-сеноманского);

- уточнено структурно–тектоническое строение центральной территории Обской губы Карского моря в пределах Каменномысского поднятия;

- выявлены аномальные зоны, возможно, связанные со скоплением УВ сырья.

- построена структурно-тектоническая схема перспективных на залежи углеводородов зон центральной территории Обской губы Карского моря в пределах Каменномысского поднятия (рисунок 1).

Рисунок 1. Структурно-тектоническая схема перспективных зон территории Обской губы Карского моря в пределах сеноманских отложений (ОГ Г) ( геоплотностной срез на глубине 1050м) Следующим результатом применения технологии являются модели строения осадочного чехла южной части Печоро-Кожвинского мегавала в пределах Кожвинской площади. По нефтегазогеологическому районированию площадь исследований находится в пределах Кыртаельско-Печорогородского нефтегазоносного района Печоро-Колвинской нефтегазоносной области. В разрезе осадочного чехла нефтегазопроявления установлены в отложениях от среднедевонских до верхнепермских, основные промышленные скопления углеводородов приурочены к терригенному среднедевонско-нижнефранскому нефтегазовому комплексу. Изучаемая территория по тектоническому районированию расположена в зоне сочленения Лыжско-Кыртаельского вала и Печорогородской ступени Печоро-Кожвинского мегавала. В современном структурном плане Печоро-Кожвинский мегавал представляет собой систему разновысоких блоков в фундаменте, несущих в осадочном чехле серию кулисообразно расположенных цепочек антиклинальных складок, образующих систему валов северо-западного «тиманского» простирания. По данным детальной гравиразведки «слепая» зона представляет собой полосу малоамплитудных максимумов гравитационного поля, протягивающуюся вдоль всего Лыжско-Кыртаельского вала. Выделенные зоны максимумов отражают мелкие тектонические блоки и антиклинальные складки, как в фундаменте, так и в верхней верхнедевонской части осадочного чехла.

В результате проведенного моделирования на Кожвинской площади:

- создана система моделей по геолого-геофизическим разрезам по линиям профилей I I, II-II, III-III, IV-IV, V-V, VI-VI;

- сформирована структурно-тектоническая схема перспективных зон (рисунок 2).

Рисунок 2. Структурно-тектоническая схема перспективных зон Кожвинской площади (геоплотностной срез на глубине 3400м) В данной статье рассмотрены некоторые методы и отечественные технологии обработки и инверсии потенциальных полей. Особое внимание уделено технологии, разработанной на основе теории и методов системной интерпретации геолого-геофизических данных и оптимальных методах решения обратных задач (GeoVIP, PlayGround, EvDynInversion). Она обеспечивает эффективное построение и возможность уточнения моделей строения геологической среды площадей, имеющих сложное геологическое строение.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно педагогические кадры инновационной России» на 2009-2013 гг. и аналитической ведомственной целевой программы “Развитие научного потенциала высшей школы (2009 2011 годы)”.

Библиографический список 1. Петров А. В. Библиотека решений компьютерной технологии статистического и спектрально-корреляционного анализа данных КОСКАД 3D / А. В. Петров, Хоу Сюлели // Материалы 38 сессии Международного семинара им. Д. Г. Успенского «Вопросы теории и практики геологической интерпретации геофизических полей». Пермь: ГИ УрО РАН, 2011. – С. 224-226.

2. Бабаянц П. С. Возможности структурно-вещественного картирования по данным магниторазведки и гравиразведки в пакете программ СИГМА-3D / П. С. Бабаянц, Ю. И. Блох, А. А. Трусов // Геофизический вестник. – 2004. – № 3. – С. 11-15.

3. Бычков С. Г. Комплексирование гравиразведки и сейсморазведки 3D при изучении месторождений нефти и газа / С. Г. Бычков, С. Г. Фурман // Материалы 39-й сессии Международного научного семинара им. Д. Г. Успенского «Вопросы теории и практики геологической интерпретации геофизических полей». – Воронеж, 2012. – С. 54-58.

4. Кобрунов А. И. Автоматизированная система комплексной интерпретации сейсмогравиметрических данных. /А. И. Кобрунов, А. П. Петровский, С. В. Моисеенкова // Международная геофизическая конференция. Тезисы докладов. – Санкт-Петербург, 2000. – С. 534–535.

5. Мотрюк Е. Н., Вельтистова О. М. Апробация программных модулей на примере моделирования строения Воргамусюрской структуры гряды Чернышева / Е. Н. Мотрюк, О. М. Вельтистова // Материалы 39-й сессии Международного научного семинара им.

Д. Г. Успенского «Вопросы теории и практики геологической интерпретации геофизических полей». – Воронеж, 2012. – С. 189-194.

УДК 550. К вопросу автоматизированного контроля качества данных геофизических исследований скважин Пельмегов Р. В, Куделин А. Г.

«Ухтинский государственный технический университет», г. Ухта Одной из актуальных задач нефтепромысловой геофизики во все времена являлась повышение точности и достоверности геофизических данных. Вместе с тем, объем информации современного геофизического исследования становится таковым, что оператору по исследованию скважины затруднительно дать объективную оценку качества и достоверности получаемых данных. В связи с этим, востребованным становится использование автоматических средств обнаружения ошибок и контроля качества регистрируемых данных. Предлагаемая работа посвящена анализу возможности применения версий метода моделирования неполных данных с помощью последовательности кривых, обобщающего метод главных компонент для автоматизированного контроля качества данных геофизических исследований [1].

Рассматриваются три версии метода:

а) линейный, с моделированием данных последовательностью линейных многообразий малой размерности;

б) квазилинейный, с построением "главных кривых" (или "главных поверхностей"), однозначно проектируемых на линейные главные компоненты;

в) существенно нелинейный, основанный на построении "главных кривых" ("главных струн и балок") с использованием вариационного принципа;

итерационная реализация этого метода близка методу самоорганизующихся карт Кохонена.

Существенной проблемой геофизики является не всегда качественная запись полевых материалов. Некорректные записи могут возникать из-за аппаратных или программных ошибок исследовательской аппаратуры, либо в ситуации, когда среда не соответствует априорным представлениям о ней. Усложнение объектов разведки и рост объемов обработки промыслово-геофизической информации требуют создания эффективных систем анализа качества записи данных ГИС. Наличие у оператора такого автоматизированного инструмента позволит сократить время обнаружения дефекта записи и немедленно принять решение о необходимости проведения повторного исследования, что фактически способно дать существенную экономию средств, ввиду минимизации риска необходимости нескольких выездов на объект.

Скважинные геофизические исследования с математической точки зрения описываются как функции g = f(h), где g — измеряемый геофизический параметр, h — глубина. Как и любая эмпирическая зависимость, эта функция может быть представлена в двух формах: в аналоговой (графической) и дискретной или цифровой (табличной). В дискретной форме аналогом диаграммы является цифровая каротажная кривая, которая состоит из заголовка и числового массива каротажной кривой. Числовой массив представляем собой функцию g = f(h), заданную в табличной форме.

В настоящем исследовании описывается применение метода моделирования и восстановления неполных данных с помощью последовательности кривых, обобщающего метод главных компонент для оценки качества записи данных ГИС. Предлагаемый метод также может быть интерпретирован как процедура сингулярного разложения матриц с пробелами. Рассматриваются три версии метода:

а) линейный - с моделированием данных последовательностью линейных многообразий малой размерности;

б) квазилинейный - с построением "главных кривых" (или "главных поверхностей"), однозначно проектируемых на линейные главные компоненты;

в) существенно нелинейный - основанный на построении "главных кривых" ("главных струн и балок") с использованием вариационного принципа;

итерационная реализация этого метода близка методу самоорганизующихся карт Кохонена.

Все полученные зависимости, кроме линейной, нуждаются в экстраполяции, которая производится с помощью формул Карлемана. Метод трактуется как построение нейросетевого конвейера, решающего следующие задачи:

а) заполнение пробелов в данных;

б) ремонт данных, корректировка значений исходных данных так, чтобы наилучшим образом работали построенные модели;

в) построение вычислителя, заполняющего пробелы в поступающей на вход строке данных (в предположении, что данные о новых объектах связаны теми же самыми отношениями, что и в исходной таблице).

Исходя из предположения, что большая часть данных не искажена, алгоритм с применением метода восстановления данных для решения задачи оценки качества записи данных ГИС может иметь следующий вид: по всему набору данных осуществляется проход фиксированным скользящим окном, часть данных исследуемого параметра удаляется и проводится его восстановление, восстановленная кривая сравнивается с исходной.

Идея сингулярного разложения матриц, содержащих пропуски, на сумму одноранговых матриц была предложена старшим научным сотрудником Новосибирского института математики С. В. Макаровым. Пусть задана прямоугольная матрица A=(aij), клетки которой заполнены действительными числами или значком @, означающим отсутствие данных. Требуется представить исходную матрицу A в виде суммы одноранговых матриц Pq:

q, где каждая Pq имеет вид xiyj + bj.

Следовательно, ставится задача поиска наилучшего приближения A матрицей вида xiyj + bj методом наименьших квадратов:

(1) Решая эту задачу опять же последовательными итерациями по явным формулам, мы получим линию, на которую не накладывается ограничение обязательного прохождения через начало координат. При фиксированных векторах yj и bj значения xi, доставляющие минимум форме (1), однозначно и просто определяются из равенств /xi=0:

(2) (3) Аналогично и при фиксированном векторе xi значения yj и bj, доставляющие минимум форме (1), определяются явно из двух равенств /yj = 0 и /bj = 0:

(4) (5) Представляя полученные значения в виде системы, получим:

(6) Решение полученной системы также может быть найдено при помощи метода Крамера или метода квадратного корня [2]. Поскольку, как и в предыдущем разделе, процедура является итерационной, то в качестве начального приближения вектора y возьмем случайное значение, но нормированное на 1, а в качестве b возьмем средние значения в соответствующих столбцах исходной матрицы A:

y - случайный, нормирован на 1 (т. е. = 1).

(7) Задаваясь практически произвольными начальными приближениями для yj и bj, ищем значение xi, далее объявляем неизвестными yj и bj, находим их значения при фиксированном xi и т д. Эти простые итерации сходятся, так как на каждой итерации происходит уменьшение функционала (1).

Хотя, несмотря на уменьшение функционала на каждой итерации, возможна ситуация, когда процесс идет так медленно, что относительное уменьшение значения на каждой итерации близко к нолю, то вводится критерий остановки - не когда процесс полностью сойдется, а когда относительное уменьшение на каждой итерации станет меньше наперед заданного значения.

Как и для задачи (3.3), критерий остановки - малость относительного улучшения /, где - полученное за цикл уменьшение значения, а - само текущее значение.

Второй критерий. малость самого значения. Процедура останавливается, если / или для некоторых, 0.

Теперь определим процедуру последовательного итерационного исчерпания матрицы A:

Последовательное исчерпание матрицы A. Решая задачу (1), для данной матрицы A находим наилучшее приближение матрицей P1 вида xiyj + bj. Далее, из матрицы A вычитаем полученную матрицу P1, и для полученной матрицы уклонений A. P1 вновь ищем наилучшее приближение P2 этого же вида и т. д. Контроль ведется, например, по остаточной дисперсии столбцов.

В результате исходная матрица данных A представляется в виде суммы матриц Pq, т.

е. A=P1+P2+…+Pq. Если пробелы отсутствуют, т. е. все значения aij известны, то описанный метод приводит к обычным главным компонентам - сингулярному разложению центрированной исходной таблицы данных. В этом случае, начиная с q = 2, (b = 0).

В общем случае это не так. Следует обратить особое внимание на то, что центрирование (переход к нулевым средним) к данным с пробелами неприменимо.

С использованием Q полученных факторов можно решать задачи заполнения пропусков в таблице и ремонта искаженных значений:

Q-факторное заполнение пропусков: пропущенные значения в исходной матрице A определяются из суммы Q полученных матриц вида xiyj+bj;

Q-факторный "ремонт" таблицы: значения в исходной матрице заменяются на сумму Q полученных матриц вида xiyj + bj.

Остается заметить, что при отсутствии пробелов полученные прямые будут ортогональны и мы получим ортогональную систему факторов. Для неполных данных это не так, но возможен процесс ортогонализации полученной системы факторов, который, к примеру, заключается в том, что исходная таблица восстанавливается при помощи полученной системы факторов, после чего эта система пересчитывается заново, но уже на дополненных данных.

Пусть, как и в случае линейных моделей, задана таблица с пропусками A = (aij), т. е.

некоторые aij = @. Построение квазилинейных моделей, наилучшим (в определенном точном смысле) образом приближающих данные, предлагается проводить в несколько этапов.

1. Построение линейной модели: решение задачи (1). Для определенности полагаем, что (y, b) = 0, (y, y)=1. этого всегда можно добиться.

2. Интерполяция (сглаживание): строится вектор-функция f(t), минимизирующая функционал:

(8) где 0 – параметр сглаживания.

Для решение этой задачи могут быть применены полиномы небольшой степени, кубические сплайны или функция Карлемана [3].

3. Экстраполяция: самая простая экстраполяция полученной вектор-функции f(t) может быть получена при использовании касательных к полученной функции на концах интервала. Намного более интересным представляется использование для экстраполяции формул Карлемана.

Процедура использования квазилинейных моделей несколько отличается от аналогичной процедуры в линейном случае, хоть и базируется на ее основе. Точка на построенной кривой f(t), соответствующая полному ("комплектному") вектору данных a строится как f((a,y)). В этом и заключается квазилинейность метода: сначала ищется проекция вектора данных на прямую Pr(a)=ty+b, t=(a,y), а затем строится точка на кривой f(t).


Также и для неполных векторов данных. сначала ищется на прямой ближайшая точка t(a) (проекция неполного вектора a), а затем. соответствующая точка на кривой f(t) при t=t(a).

После построения кривой f(t) из данных вычитаются их проекции, то есть матрица данных заменяется на матрицу уклонений от модели. Далее снова ищется наилучшее линейное приближение (к примеру, вида xiyj+bj) для матрицы уклонений, вновь строится сглаживание, потом. экстраполяция по Карлеману и т. д., пока уклонения не приблизятся в достаточной степени к нулю. Критерием остановки опять же могут выступать остаточные дисперсии. Таким образом процедура моделирования данных квазилинейными многообразиями малой размерности тоже является итерационной, как и в линейном случае.

В результате исходная таблица предстает в виде Q-факторной модели:

(9) где аргументом функции служит специальным образом (как это было описано в третьем параграфе) нормированное скалярное произведение исходного данного на линейную основу квазилинейного многообразие или, другими словами, значение проекции данного на прямую.

Заметим, что если aij @, то эта формула аппроксимирует исходные данные, иначе она дает способ восстановления пропущенных значений.

Пусть SOM определяется набором точек (ядер) Y={yij} (i,j=1..m. будем считать, что сетка квадратная, но для прямоугольной все описанные формулы аналогичны), последоватеольно расположенных на квадратной сетке и требуется отобразить на ней набор точек данных Х={хi}. Введем преобразование П, которое каждому вектору x € X сопоставляет ближайшую к нему точку из Y.

(10) каждому ядру yij сопоставляется его таксон (11).

Метод построения SOM также, как и SOC, напоминает метод динамических ядер, за исключением добавления дополнительных ограничений на связность и нелинейность.

Минимизируемый функционал в таком случае будет состоять из следующих слагаемых:

(12) (13) (14) Таким образом, для построения SOC требуется минимизировать функционал:

(14) где, µ - параметры связности и нелинейности. "модули упругости" (деление на число точек |X| и число ядер m означает нормировку "на одно слагаемое" и позволяет для выборок разной мощности использовать одинаковые способы изменения и µ.) Процедура построения SOM также является итерационной, то есть задача расщепляется на последовательны поиск ядер - таксонов – ядер … и т. д. И эта процедура также гарантировано сходится.

Рисунок 1. Графическое представление содержимого LAS-файла с удаленным контролируемым участком Рисунок 2. Восстановленный участок кривой (темный).

Приведем пример решения задачи контроля качества записи данных электрического каротажа линейным методом (рисунок 1). Согласно алгоритму применения метода восстановления к задаче контроля качества записи, из набора данных (матрицы Aij) был удален испытуемый участок. Далее было проведено восстановление этого участка выше обозначенным методом, результат сравнивался с исходной кривой (рисунок 2).

Подавляющее большинство испытаний с использованием данных, качество которых не подвергается сомнению восстановление пропущенных участков получает удовлетворительную оценку.

Библиографический список:

1. Россиев А. А. Интерпретационное моделирование неполных данных с помощью многообразий малой размерности / А. А. Россиев. – Красноярск, 2000.

2. Самарский А. А. Введение в численные методы / А. А. Самарский. – М.: Наука. Главная редакция физико-математической литературы, 1982. – 272 с.

3. Айзенберг Л. А. Формулы Карлемана в комплексном анализе. Первые приложения / Л. А. Айзенберг. – Новосибирск: Наука, 1990. – 248 с.

УДК 559.98.04 : 550.8.053 : 510. Реализация полимодальных законов распределенния нечетких множеств на примере подсчетных параметров месторождений УВ.

Кулешов В. Е., Могутов А. С., Путинцева Н. О.

«Ухтинский государственный технический университет», г. Ухта В нефтегазопромысловой геологии, как и в разработке нефтяных и газовых месторождений, существует тесная взаимосвязь между различными промысловыми параметрами. На разных стадиях геологоразведочных работ установление взаимосвязи между такими параметрами и достоверно выполненное их определение будет играть важную роль при получении результатов. Существует ряд подходов к определению таких параметров. Так, например, часть значений подсчетных параметров находится путем непосредственного изучения представительных образцов керна в лабораторных условиях, а другая, большая часть, определятся с помощью промыслово-геофизических методов исследования. Последние не позволяют непосредственно установить величины пористости и проницаемости, но оценивают величины геофизических параметров, которые связаны корреляционными зависимостями с коллекторскими свойствами пород.

Для нахождения конкретных выражений этих зависимостей и параметров, их характеризующих, часто используются приемы статистической обработки данных, которые в конечном итоге осуществляют замену реального экспериментального материала полученными законами и некоторой интегральной зависимостью. Однако, этот метод часто является не корректным и ведет к экономическим потерям на производстве.

В работах И. П. Жабрёва, Я. И. Хургина [1], указывается на необходимость при обработке данных геофизических исследований скважин, а также полученной другими способами геологической информации, отказаться от стандартного применения методов математической статистики и использовать иные подходы. Так в работах А. И. Кобрунова, А. В. Григорьевых [2] изложена методика установления взаимосвязей между геолого геофизическими параметрами на основе аппарата нечетких множеств для возможности переоценки взаимосвязей и прогнозов, сделанных на основе корреляционных зависимостей, для более полного учета нечеткой структуры отношений между параметрами и возможностью прогнозирования с оценкой меры неопределенности прогноза.

Для применения методики авторы предлагают следующие:

Фазификация отношения между данными – их представление в виде функции принадлежности одной переменной при условии принятия конкретного значения другой.

Итогом служит функция принадлежности для нечеткого отношения между парой переменных, позволяющая оценить меру истинности любого прогнозируемого значения переменной по экспериментальным данным.

Нечеткая композиция по Мамдани для случая систем данных с общими переменными.

Алгоритм позволяет построить функцию принадлежности для нечеткого отношения между переменными, в которых исключены промежуточные – переходные переменные.

Итогом служит функция принадлежности для нечеткого отношения между парами данных с исключенными промежуточными параметрами, позволяющая оценить меру истинности любого прогнозируемого значения конечной переменной по начальной, отражающей истинную информацию, содержащуюся в экспериментальных данных.

Дефазификация установленных нечетких отношений, обеспечивающая переход от нечетких к четким зависимостям с оценкой меры неопределенности.

Предложенная методика позволила дать объективную оценку определения подсчётных параметров и подсчёта запасов УВ, которую можно дифференцировать по достоверности.

В рассматриваемом методе при нахождении взаимосвязи параметров функция принадлежности принимает экспоненциальную форму. Заменим формулу функции принадлежности алгоритмом полимодального распределения. Алгоритм заключается в представительном шаге группирования и установления тем самым отношений между данными. Для применения предлагаемого метода можно воспользоваться следующим алгоритмом:

1. Разбьем облако точек, каждого из параметров, на интервалы (рисунок 1).

Рисунок 1. Зависимость Кп по керну от Кп по ГИС 2. Каждый полученный интервал рассмотрим отдельно с разбиением на собственные интервалы используя формулу Стерджесса.

3. Построим диаграмму для каждого из полученных интервалов зависимости частости от параметра. На рисунке 2 выделены 3 моды. Для каждого интервала значение мод может быть различным.

Рисунок 2. Диаграмма интервалов пористости от частости 4. Сгруппируем значения интервалов в матрицу принадлежности представленной в таблице 1.

Таблица 1.

Матрица принадлежности 9- 10- 11- 12- 13- 14- 15- 16- 17- 18- 20- 21- 22- 23- 24- 25- 26- 27- 28- 29- 30- 31- 32 Интервалы 0-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 19- 10 11 12 13 14 15 16 17 18 19 21 22 23 24 25 26 27 28 29 30 31 32 20,33 0,0 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,0 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,14 0,14 0,07 0,14 0,07 0,21 0,28 0,21 0,34 0, 18,57 0,0 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,0 0,00 0,00 0,00 0,00 0,00 0,21 0,00 0,14 0,14 0,137527 0,07 0,48 0,00 0,21 0,21 0,34 0,28 0,07 0,14 0,34 0,14 0,34 0, 16,81 0,0 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,21 0,07 0,07 0,21 0,14 0,14 0,28 0,20629 0,21 0,36 0,28 0,34 0,14 0,28 0,14 0,00 0,00 0,00 0,00 0,00 0, 15,05 0,0 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,07 0,07 0,48 0,21 0,14 0,14 0,14 0,21 0,28 0,14 0,20629 0,00 0,14 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0, 13,29 0,0 0,00 0,00 0,00 0,00 0,00 0,00 0,21 0,00 0,07 0,21 0,07 0,28 0,07 0,34 0,14 0,07 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0, 11,53 0,0 0,00 0,00 0,00 0,00 0,00 0,14 0,07 0,14 0,07 0,21 0,34 0,28 0,07 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0, 9,77 0,0 0,00 0,07 0,00 0,07 0,00 0,14 0,07 0,14 0,07 0,07 0,07 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0, 8,01 0,0 0,07 0,07 0,14 0,00 0,21 0,07 0,07 0,07 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0, 6,25 0,0 0,07 0,21 0,07 0,07 0,07 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0, 4,49 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5. Далее, с помощью композиции Мамдани установим функцию принадлежности для начальной и конечной нечетких переменных в выделенной цепочке по установленным отношениям (рисунок 3.).


Рисунок 3. Установление функции принадлежности для начальной и конечной переменных.

Дальнейшие действия повторяют методику авторов А. И. Кобрунова, А. В.

Григорьевых. Метод был развит по принципу нечетких петрофизических композиций и адаптирован А. С. Могутовым, А. И. Кобруновым, В. Е. Кулешовым [3].

6. Продолжение прогноза (Продолжение найденной композиции в область задания исходных параметров для прогноза) 7. Выполнение прогноза (Прогнозирование параметров как нечётких величин) 8. Дефазификация установленных нечетких отношений (Переход от нечетких к четким зависимостям с оценкой меры их истинности) Успешное применение подхода основано на нечёткой логике, которая во многом определяется гибким математическим аппаратом, используемым при анализе и обработке данных. Предлагаемый подход способен адекватно отразить не только строгие формализации, зависимости и взаимосвязи, но и учесть неточные, субъективные оценки специалистов, лежащие в их основе. В настоящее время проводятся вычислительные эксперименты по развитию метода на реальных данных месторождений УВ.

Библиографический список 1. Жабреев И. П. Нечеткая математическая модель при подсчете запасов / И. П. Жабреев, Я. И. Хургин // Геология нефти и газа. – 1993. – № 3.

2. Кобрунов А. И. Методы нечеткого моделирования при изучении взаимосвязей между геофизическими параметрами / А. И. Кобрунов, А. В. Григорьевых // Геофизика. – 2010. – №2. – С. 17-23.

3. А. С. Могутов Адаптация метода нечетких петрофизических композиций для определения подсчетных параметров Низевого месторождения / А С. Могутов, А. И. Кобрунов, В. Е. Кулешов // Электронный науч. журн. «Нефтегазовое дело». – 2011. – № 6. – С. 307 315. – URL: http://www.ogbus.ru/authors/Kobrunov/Kobrunov_1. pdf.

УДК 622.244.6 : 519. Разработка математической модели для определения пластового давления нефтяного залежа Рзаев А. Г., Расулов С. Р., Абасова И. А.

«Азербайджанская Государственная Нефтяная Академия», г. Баку Одним из методов получения ценной информации о коллекторских свойствах являются гидродинамические исследования нефтяных скважин. Наиболее распространенным видом исследования является снятие кривой восстановления давления (КВД) на забое скважин. Суть метода заключается в остановке скважин, регистрации зависимости забойного давления от времени и последующем решении обратной задачи по определению фильтрационных характеристик пласта. Задача интерпретации КВД давно перешла в разряд классических, методы ее решения в различных постановках известны и широко используются на практике [1-3].

Однако при применении этих методов возникают методические трудности, которые обычно не замечают. Дело в том, что очень часто обратная задача определения фильтрационных характеристик пласта по КВД оказывается некорректно поставленной: ее решения неустойчивы относительно ошибок, которые неизбежно содержатся в замерах. В частности, неустойчивость проявляется в условиях малых выборок, когда в координатах метода удается спрямить только небольшой участок КВД. Последнее может быть связано, например, с тем, что не удается обеспечить стационарный режим работы скважин на весь период проведения исследования. Изменения режимов работы скважин ближайшего окружения приводят к появлению дефектных участков КВД, которые следует исключить из анализа. Очень часто приходится также обрабатывать, так называемые, «невосстановленные» КВД, полученные в экспериментах, прерванных по техническим причинам или же из-за желания уменьшить потери нефти вследствие простоя скважины.

Для обработки КВД часто используется метод детерминированных моментов давления, при котором обрабатываются результаты измерений забойных давлений с постоянным временным шагом [3]. Большая часть КВД, полученных при исследовании низкопродуктивных механизированных (с использованных глубинных насосов) скважин, не удовлетворяет такому требованию вследствие длительного (несколько суток) периода восстановления давления. В таких случаях целесообразно выполнять аппроксимацию исходных данных с выбором адекватной модели.

Для проведения аппроксимации обычно используют полиномиальные и логарифмические зависимости [3]. С этой целью в работе [3] приводятся экспериментальные данные и КВД скв. 43 Сибирского нефтяного месторождения. Разработанные в данной работе математические модели для аппроксимации КВД представляются в двух видах:

полином в третьей степени для описания начального участка и логарифмической зависимости для описания последнего участка. Однако применение двух по структуре разных моделей имеет существенные недостатки.

Во- первых нет связи между этими моделями. Во- вторых всю КВД можно адекватно описать одним моделем экпоненциальной зависимостью. В третьих полиноминальная зависимость является разложение последней в ряд Тейлора.

С учетом вышеизложенных и использованием теории автоматического регулирования и экспериментальных данных, приведенных ниже в таблице и рисунке, рассматривая КВД как апериодическое (одноемкостное, инерциальное) звено первого порядка нами предлагается математическая модель в следующем виде:

(1) где Т- постоянное время;

А= Q=QT - Qo – скачкообразное уменьшение дебита пластовой жидкости от текущего значения (QT) до нуля (Qo);

Ку- коэффициент усиления, который при t равен.

P, a Mpa 0 15000 T, min T Рисунок 1. КВД:

- по экспериментальным данным;

- по модели (1) Как видно из формулы (1) и рисунка теоретическое время переходного процесса или восстановления забойного давления до пластового равно бесконечности. Практически же, по кривому разгону (КВД) определяется фактическое время проведения эксперимента. С этой целью в любую точку кривой (см. рис.) проводится касательная до пересечения ее с линией, соответствующей новому установившемуся значению забойного давления (точка а). Тогда проекция отрезка касательной по оси времени и будет величиной Т. При этом время переходного процесса tпер определяется как 4Т (в нашем случае 26000 мин) с начала эксперимента. Как видно из графика предложенная формула с достаточной точностью (с погрешностью 1,9%) описывает экспериментальные данные, приведенные в таблице [3].

Другим преимуществом формулы (1) является то, что экспериментальные данные описываются одной (гибкой) формулой.

Проведенные исследования показали, что физическое значение Т можно определить через параметры пласта и скважин:

(2) где Q-дебит скважины м3/с;

µ-вязкость пластовой жидкости, Па·С;

RK и ГС- радиусы контура питания и скважины, µ;

К-проницаемость пласта, м2;

h-мощность пласта м;

изменение забойного давления при закрытой скважине.

Таким образом, предложенная модель по сравнению с существующими моделями [3] с достаточной степенью точности и надежности адекватно описывает КВД. Причем, самый важный (последний) участок кривой описывается почти безошибочный.

таблица t 0 1129 2258 3387 4516 5645 6774 7903 9032 10161 p 8,29 9.25 9,79 10,25 10,62 10,93 11,18 11,38 11,55 11,69 11, t 12419 13548 14677 15806 16935 18064 19153 20322 21451 p 11,94 12,08 12,18 12,24 12,29 12,37 12,39 12,44 12,47 12, Библиографический список:

1. Роберт Эрлагер М. Л. Гидродинамические методы исследования скважин / М. Л. Роберт Эрлагер, Перевод с англ. Библиотека нефтяного инженеринга г. Ижевск, 2003г.

2. Мирзаджанзаде А. Х. Моделирование процессов нефтегазодобычи. Нелинейность, неравновесность, неопределенность / А. Х. Мирзаджанзаде, М. М. Хасанов, Р. Н. Бахтизин. – Москва- Ижевск. – 2004.

3. Пономарева И. Н. К обработке кривых восстановления давления низкопродуктивных скважин / И. Н. Пономарева // Нефтяное хозяйство. – 2010. – №6 – С. 78- УДК 621.398: 537.612. Численное моделирование параметров магнитной системы для управления процессом магнитокоалесценции нефтяных эмульсий Смирнов Ю. Г., Кузнецов С. В.

«Ухтинский государственный технический университет», г. Ухта Одним из новых методов, позволяющих осуществлять обезвоживание водонефтяных эмульсий путем их разрушения под влиянием внешнего магнитного поля, является метод магнитокоалесценции, развиваемый зарубежными исследователями [1, 2].

Рассмотрим следующую модель, позволяющую описать механизм магнитокоалесценции [3].

Пусть в эмульсии типа вода в нефти с радиусом капелек эмульсии Rd содержится вода c концентрацией kw. Капельки эмульсии считаем сферическими. Также положим, что в эмульсии содержатся в небольшой концентрации магнитные наночастицы с радиусами Rp, которые образуют монослой на поверхности капелек эмульсии. Приложим внешнее неоднородное магнитное поле H (r ). Под его воздействием капли эмульсии приобретают индуцированный магнитный момент m = M VM, (1) и намагниченность M, где VM – магнитный объем.

Магнитный объем капли связан с ее реальным объемом соотношением VM =·V, где – коэффициент, представляющий собой объемную фракцию магнитных материалов в капле.

На намагниченную каплю эмульсии в магнитном поле будет действовать сила F d = µ 0V d ( M ) H (2) Рассмотрим процесс коалесценции капелек эмульсии в однородном магнитном поле.

Магнитные частицы в оболочке эмульсионной капли поляризованы по направлению поля.

Поэтому капли можно рассматривать как магнитные диполи, обладающие магнитными моментами. Притяжение между двумя индуцированными магнитными моментами приводит к их сближению и слиянию (коалесценции).

Рассмотрим движение одной намагниченной капли эмульсии в магнитном поле другой. Напряженность магнитного поля H d (r ) в точке r от центра диполя m описывается соотношением [4] m 3(mr )r H d (r ) = 3 (3) r r Рассмотрим потенциальную энергию и силу, действующую между диполями m1 и m2.

Магнитное поле первого диполя описывается уравнением (3), а сила диполь-дипольного взаимодействия может быть получена путем комбинации уравнений (2) и (3). Потенциальная энергия определяется соотношением U 12 = m 2 H d Магнитное взаимодействие может привести к образованию связанного состояния двух магнитных диполей при условии U12 кТ Здесь k – постоянная Больцмана, а T – абсолютная температура.

Это условие означает, что если потенциальная энергия диполь-дипольного взаимодействия намагниченных капелек эмульсии превышает энергию теплового движения, то они способны сближаться и могут коалесцировать. В этом случае потенциальная энергия магнитного диполь-дипольного взаимодействия между диполями m1 и m2 дается соотношением m m 3( m1 r12 )( m2 r12 ) U 12 = µ 0 1 3 2 (4) r r 12 где r12 – радиус-вектор, соединяющий центры частиц, а под частицами 1 и подразумеваются мелкая намагниченная капелька эмульсии и крупная суперпарамагнитная частица, соответственно.

Рисунок 1 Схема расположения магнитной системы Как экспериментально показано в работе [2], обеспечение необходимых условий для магнитокоалесценции эмульсионных капель наступает уже при напряженности магнитного поля 800 Гс.

Для создания неоднородного магнитного поля с заданными характеристиками в объеме эмульсии целесообразно использовать электромагниты постоянного тока, которые позволяют легко управлять величиной магнитной индукции путем регулирования силы тока в обмотке.

Выполним численное моделирование с целью выбора оптимальных размеров емкости, в которой будет осуществляться процесс магнитокоалесценции эмульсии.

В качестве источника неоднородного магнитного поля рассмотрим соленоид, расположенный на дне сосуда (рисунок 1). Моделирование выполнялось в рамках пакета Matlab 2011 с использованием приложения Solenoid [5].

Проекция силовых линий вертикально расположенного соленоида в плоскости XOZ вычислялась с параметрами: радиус R =15 см, высота L = 20 см, число витков обмотки N = 200, сила тока I = 1,5 A. Вычисления производились на прямоугольной координатной сетке с числом узлов 100х100. На рисуноке 2 представлен результат моделирования.

Рисунок 2. Визуализация силовых линий магнитного поля соленоида с постоянным током Рисунок 3. Изменение магнитной индукции по оси z.

Расчет z-составляющей напряженности магнитного поля осуществлялся с использованием соотношения:

µ 0 I 2N z L cos 0 ( R 2 + L2 2( x L cos + L y sin )) 3 / 2 d, H= (5) где µ 0 - магнитная проницаемость вакуума, µ0 = 4·10-7Гн/м.

Для получения достаточной индукции магнитного поля B = µ µ 0 H в емкости с эмульсией в соленоид необходимо ввести сердечник из материала с низкой остаточной намагниченностью. Выбираем сердечник из магнитомягкого сплава типа 79НМ с начальной магнитной проницаемостью µ = 104 [6].

Оценим также величину градиента магнитного поля, которая получается при выбранных параметрах соленоида.

Расчеты индукции и магнитного градиента выполнялись в рамках пакета Matlab 2011,полученные данные приведены в таблице и на графиках рисунок 3 и рисунок 4.

Рисунок 4. График зависимости градиента магнитной индукции по оси z.

Из полученных результатов видно, что на высоте примерно 35 см над дном сосуда, значение градиента магнитного поля соленоида удовлетворяет условию [3]:

dB 1 Тл / м dz Таким образом, прассмотренная магнитная система может быть использована для управления процессом магнитокоалесценции эмульсионных капель с использованием магнитных наночастиц.

Библиографический список 1. Oder R. R. and Jamison R. E., Method and Apparatus for Breaking Emulsions of Immiscible Liquids by Magnetostatic Coalescence. U. S. Patent 5868939 (February 9, 1999).

2. Oder R. R. Emulsions Breaking with Magnetic Fields // American Filtration Society, 18th Annual Conference, Atlanta, GA, April 10-13, 2005. P. 1-25.

3. Баткин И. С. Моделирование воздействия суперпарамагнитных частиц на промысловые эмульсии / И. С. Баткин, Ю. Г. Смирнов // Физико-математическое моделирование систем:

Матер. VII международного семинара. Воронеж, 26-27 ноября 2010г., Воронеж: ВГТУ;

ч. 2. – 2011. – С. 155-162.

4. Ландау Л. Д. Теоретическая физика в десяти томах. / Л. Д. Ландау, Е. М. Лифшиц. Т. 2, Теория поля. М.: Физматлит, 2003. – 536с.

5. Поршнев С. В. Компьютерное моделирование физических процессов в пакете MATLAB / С. В. Поршнев. – СПБ: Изд-во «Лань», 2011. – С. 109-139.

6. Справочник по электротехническим материалам / В. В. Пасынкова, Б. М. Тареева: под ред.

Ю. В. Корицкого. – 3-е изд. перераб. – Л.: Энергоатомиздат, Ленингр. отд., 1988. – Т. 3. – 728с.

УДК 622. Особенности математического и гидродинамического моделирования разработки нефтегазоконденсатных залежей в рифейскихтрещиноватых карбонатных коллекторах Восточной Сибири Петухов А. В.1, Долгий И. Н.1, Петухов А. А.1, Шелепов И. В. 1-«Национальный минерально-сырьевой университет «Горный»

2- ООО «Газпромнефть НТЦ», г. Санкт-Петербург) Гигантское скопление углеводородов в виде двух крупнейших - Куюмбинского и Юрубчено-Тохомского – нефтегазоконденсатных месторождений было обнаружено в древнейшем рифейском карбонатном каверново-трещинном резервуаре, характеризующимся черезвычайной сложностью строения. Для этого нефтегазового гиганта был предложен термин Юрубчено-Тохомская зона нефтегазонакопления (ЮТЗН) [8].

Породы-коллекторы представлены разнообразными комплексами литогенетических типов, которые на качественном уровне можно разделить на две группы. В первую группу входят комплексы с потенциально хорошими первичными коллекторскими свойствами. К ним относятся комковато-оолито-интракластические, хорошо сортированные доломиты, окремненные, строматолитовые. Во вторую группу включены комплексы с потенциально средними первичными коллекторскими свойствами. К ним относятся строматолитовые и комковато-интракластические, часто песчанистые доломиты с прослоями аргиллитов и комковато-интракластические алевропесчанистые доломиты со слойками ламинитов, алевро песчаников и аргиллитов.

Разработка нефтегазоконденсатных залежей в трещинных коллекторах ЮТЗН связана с многочисленными сложностями и неопределённостями, обусловленными неравномерностью распределения трещин и каверн в плотных рифейских доломитах.

Природные резервуары всех выявленных к настоящему времени залежей ЮТЗН представлены преимущественно коллекторами трещинного типа. В связи с этим особое внимание исследователи уделяют изучению распределения трещинных систем в рассматриваемых продуктивных объектах, которые являются главными путями фильтрации флюидов и составляют основу емкостного пространства в плотных карбонатных породах.

Основными параметрами для моделирования процесса разработки залежей нефти и газа являются фильтрационно-емкостные свойства коллекторов, в частности, пористость и проницаемость. Трещинные карбонатные резервуары ЮТЗН были охарактеризованы в разные годы в работах В. Б. Арчегова, К. И. Багринцевой, Л. Г. Белоновской, М. Х. Булач, Л.

П. Гмид, А. Ф. Боярчука, А. А. Конторовича и Н. Б. Красильниковой, В. Г. Кузнецова, А. Е. Лукина, Л. С. Маргулиса, Е. М. Хабарова и многих других исследователей. Последним крупным обобщением всей имеющейся геолого-геофизической информации по строению и нефтегазоносности рифейских терригенно-карбонатных отложений ЮТЗН является монография В. В. Харахинова и С. И. Шленкина [8].

Определение величины открытой пористости карбонатных коллекторов ЮТЗН путем насыщения по методу Преображенского показало, что средняя величина открытой (трещинной) пористости карбонатных коллекторов имеет низкие значения и изменяется в пределах от 0,4 до 0,6%, а проницаемость по гидродинамическим исследованиям скважин (ГДИС) колеблется от 0,03 до 3653,4 мД, при среднем значение – 119 мД [1]. Таким образом, рассматриваемые карбонатные трещинные резервуары – это относительно плотная низкопроницаемая порода с развитой вторичной пустотностью, обусловленной активными процессами трещинообразования и выщелачивания, что можно наблюдать на сейсмических временных разрезах в виде субвертикальных зон деструкции (рисунок 1).

Рисунок 1. Фрагмент временного разреза по кубу 3D в окрестности центрального участка ОПР1 Куюмбинского месторожденияс прогнозными зонами трещиноватости (по данным ООО «Славнефть-НПЦ).

По современным представлениям пустотное пространство карбонатных резервуаров ЮТЗН включает в себя: а) первичные межкристаллические поры чрезвычайно мелкого размера (от 0,005 до 0,100 мкм), характеризующиеся низкой проницаемостью (сотые и тысячные доли мД);

б) вторичные поры выщелачивания с размерами от 0,01 до 2,00 мкм;

в) микро- и макрокаверны (пустоты карстового происхождения);

г) открытые микротрещины;

д) открытые мезо- и макротрещины, преимущественно тектонического происхождения [8].

Установлено, что матрица породы плотная и практически непроницаемая (до 90% межзерновых пор имеют 0,2 мкм в поперечнике) и не содержит нефти и газа. Нефть и газ содержится в основном в трещинах и развитых по ним кавернах, поэтому трещиноватость и кавернозность оказывают решающее влияние на формирование пустотного пространства рифейских карбонатных резервуаров.



Pages:     | 1 |   ...   | 6 | 7 || 9 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.